使用带有引导解码器架构的注意门双U-Net对胎儿生物识别参数的细分和估计
Sajal Kumar Babu Degala1, Ravi Prakash Tewari1, Pankaj Kamra2
1Department of Applied Mechanics, Motilal Nehru National Institute of Technology Allahabad, Prayagraj, 211004, Uttar Pradesh, India.
Computers in biology and medicine
|August 12, 2024
概括
这项研究引入了带有引导解码器 (ADU-GD) 的注意门双U-Net模型,用于从低分辨率超声图像中改进胎儿生物识别参数预测,提高诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胎儿医学 胎儿医学
背景情况:
- 胎儿生物识别参数对于评估胎儿健康至关重要.
- 目前使用传统图像处理的方法容易出现错误.
- 准确的胎儿生物识别对于及时诊断和干预至关重要.
研究的目的:
- 开发一个先进的深度学习模型,用于精确的胎儿生物识别参数预测.
- 为了提高低分辨率超声波图像的测量精度.
- 改进现有的胎儿超声波分析技术.
主要方法:
- 引入注意门双U-Net与引导解码器 (ADU-GD) 模型的介绍.
- 使用注意力机制和引导解码器进行特征合并.
- 与已建立的深度学习模型对比ADU-GD.
主要成果:
- ADU-GD实现了0.99mm的平均绝对误差 (MAE) 和99.1%的细分精度.
- 高子指数 (99.1 ± 0.8),低豪斯多夫距离 (1.01 ± 1.07) 和低平均对称表面距离 (0.25 ± 0.21).
- 在预测头周长,腹周长,大腿骨长度和双平行径方面,超越了像Double U-Net,DeepLabv3和Trans U-Net这样的模型.
结论:
- ADU-GD模型在胎儿生物识别参数预测方面表现出卓越的性能.
- 该模型为胎儿超声波分析提供了更高的精度和准确性.
- ADU-GD代表了自动化胎儿健康评估的重大进步.
